CN110166438A - 账户信息的登录方法、装置、计算机设备及计算机存储介质 - Google Patents

Abstract

本申请公开了一种账户信息的登录方法、装置及计算机存储介质，涉及信息技术领域，可以基于账户信息的风险级别灵活推荐用户使用不同的账户登录方式，从而在账户信息的登录过程中保证用户账户的安全性。所述方法包括：获取多组用户登录账户的特征数据；将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型；当接收到账户信息的登陆请求时，将所述登录请求对应用户登录账户的特征数据输入至所述登录风险识别模型，识别得到登录账户信息的风险级别；根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录。

Description

账户信息的登录方法、装置、计算机设备及计算机存储介质

技术领域

本发明涉及信息技术领域，尤其是涉及到账户信息的登录方法、装置、计算机设备及计算机存储介质。

背景技术

随着智能手机和ipad等移动终端设备的普及，人们逐渐习惯了使用APP客户端上网的方式，人类的社交活动渐渐地由传统的登门拜访、聚会派对演变为互联网上的虚拟活动，日常购物由传统的商场选购演变为互联网上的购物，例如，用户可以通过论坛、微博、网络游戏等与他人进行互动，还可以通过淘宝、京东商城选购日常用品，而账户就是用户在每个APP中进行相应活动的身份。

在现有的账户信息在登录过程中，***通常会存在多种登录方式，例如，用户在首次进入支付宝应用时，需要输入用户名和密码的登录方式，由于支付宝客户端采用了常登陆的登录方式，用户再次进入支付宝应用时，可以直接进入支付宝界面，无需经过验证，此外，用户在使用手机银行进行过转账或者支付时，需要通过客户端的动态口令认证的登录方式，而58同城和赶集网的客户端会采用人脸验证的登录方式。

但在实际操作过程中，APP客户端推荐的登录方式不固定，灵活度相对较低，可能存在以下的情况，当用户账号的风险级别不高时，推荐人脸验证这种比较复杂的登录方式，使得登录操作变得繁琐，而当用户账号的风险级别较高时，推荐长登验证这种比较简单的登录方式，无法保证用户账户的安全性。

发明内容

有鉴于此，本发明提供了一种账户信息的登录方法、装置、计算机设备及计算机存储介质，主要目的在于解决目前用户在账户信息的登录过程中所推荐的账户登录方式灵活度较低的问题。

依据本发明一个方面，提供了一种账户信息的登录方法，该方法包括：

获取多组用户登录账户的特征数据，所述特征数据中携带有适用于登录账户信息的风险级别标签；

将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型，所述登录风险识别模型记录有用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系；

当接收到账户信息的登陆请求时，将所述登录请求对应用户登录账户的特征数据输入至所述登录风险识别模型，识别得到登录账户信息的风险级别；

根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录。

进一步地，所述深度学习模型为卷积神经网络，所述卷积神经网络包括多层结构，所述将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型包括：

通过所述深度学习模型的卷积层提取所述用户登录账户的特征数据的特征，得到用户登录账户在各个风险级别上的特征参数；

通过所述深度学习模型的池化层对所述用户登录账户在各个风险级别上的特征参数进行降维处理，得到降维处理后用户登录账户在各个风险级别上的特征参数；

通过所述深度学习模型的全连接层汇总所述降维处理后用户登录账户在各个风险级别上的特征参数，得到用户登录账户的特征数据在不同风险级别上的权重值；

通过所述深度学习模型的分类层根据所述用户登录账户的特征数据在不同风险级别上的权重值生成用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系，构建登录风险识别模型。

进一步地，所述获取多组用户登录账户的特征数据包括：

通过预设接口调用用户注册应用账户的身份数据以及用户登录账户信息的历史操作数据；

根据所述用户注册应用账户的个人信息以及用户登录账户信息的历史操作数据，提取用户登录账户的特征数据。

进一步地，在所述获取多组用户登录账户的特征数据之后，所述方法还包括：

根据每组用户登录账户的特征数据所处的数据范围，对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签。

进一步地，所述每组用户登录账户的特征信息所处的特征范围，对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签包括：

提取每组用户登录账户的特征信息所处的特征范围，将所述每组用户登录账户的特征信息所处的特征范围与预先设置的各个风险等级对应的特征范围进行比对，得到比对结果；

根据所述比对结果对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签。

进一步地，所述登录账户的风险级别包括低级风险级别、中级风险级别和高级风险级别，所述根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录包括：

当所述登录账户的风险级别为低级风险级别，则选取与低级风险级别相匹配的常登验证或无密验证登录方式，对账户信息进行登录；

当所述登录账户的风险级别为中级风险级别，则选取与中级风险级别相匹配的动态口令认证登录方式，对账户信息进行登录；

当所述登录账户的风险级别为高级风险级别，则选取与高级风险级别相匹配的人脸验证登录方式，对账户信息进行登录。

进一步地，在所述根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录之后，所述方法还包括：

若所述多组用户登录账户的特征数据产生变化，当再次接收到账户信息的登录请求时，根据再次识别得到的登录账户信息的风险级别调整账户信息的登录方式，对账户信息进行登录。

依据本发明另一个方面，提供了一种账户信息的登录装置，所述装置包括：

获取单元，用于获取多组用户登录账户的特征数据，所述特征数据中携带有适用于登录账户信息的风险级别标签；

构建单元，用于将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型，所述登录风险识别模型记录有用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系；

识别单元，用于当接收到账户信息的登陆请求时，将所述登录请求对应用户登录账户的特征数据输入至所述登录风险识别模型，识别得到登录账户信息的风险级别；

登录单元，用于根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录。

进一步地，所述深度学习模型为卷积神经网络，所述卷积神经网络包括多层结构，所述构建单元包括：

提取模块，用于通过所述深度学习模型的卷积层提取所述用户登录账户的特征数据的特征，得到用户登录账户在各个风险级别上的特征参数；

降维模块，用于通过所述深度学习模型的池化层对所述用户登录账户在各个风险级别上的特征参数进行降维处理，得到降维处理后用户登录账户在各个风险级别上的特征参数；

汇总模块，用于通过所述深度学习模型的全连接层汇总所述降维处理后用户登录账户在各个风险级别上的特征参数，得到用户登录账户的特征数据在不同风险级别上的权重值；

构建模块，用于通过所述深度学习模型的分类层根据所述用户登录账户的特征数据在不同风险级别上的权重值生成用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系，构建登录风险识别模型。

进一步地，所述获取单元包括：

调用模块，用于通过预设接口调用用户注册应用账户的身份数据以及用户登录账户信息的历史操作数据；

提取模块，用于根据所述用户注册应用账户的个人信息以及用户登录账户信息的历史操作数据，提取用户登录账户的特征数据。

进一步地，所述装置还包括：

标记单元，用于在所述获取多组用户登录账户的特征数据之后，根据每组用户登录账户的特征数据所处的数据范围，对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签。

进一步地，所述标记单元包括：

比对模块，用于提取每组用户登录账户的特征信息所处的特征范围，将所述每组用户登录账户的特征信息所处的特征范围与预先设置的各个风险等级对应的特征范围进行比对，得到比对结果；

标记模块，用于根据所述比对结果对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签。

进一步地，所述登录账户的风险级别包括低级风险级别、中级风险级别和高级风险级别，所述登录单元包括：

第一登录模块，用于当所述登录账户的风险级别为低级风险级别，则选取与低级风险级别相匹配的常登验证或无密验证登录方式，对账户信息进行登录；

第二登录模块，用于当所述登录账户的风险级别为中级风险级别，则选取与中级风险级别相匹配的动态口令认证登录方式，对账户信息进行登录；

第三登录模块，用于当所述登录账户的风险级别为高级风险级别，则选取与高级风险级别相匹配的人脸验证登录方式，对账户信息进行登录。

进一步地，所述装置还包括：

调整单元，用于在所述根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录之后，若所述多组用户登录账户的特征数据产生变化，当再次接收到账户信息的登录请求时，根据再次识别得到的登录账户信息的风险级别调整账户信息的登录方式，对账户信息进行登录。

依据本发明又一个方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现账户信息的登录方法的步骤。

依据本发明再一个方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现账户信息的登录方法的步骤。

借由上述技术方案，本发明提供一种账户信息的登录方法及装置，通过收集多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型，当接收到账户信息的登录请求时，通过登录风险识别模型识别登录账户信息的风险级别，进而选取与登录账户的风险级别相匹配的账户信息的登录方式，对账户信息进行登录，提高账户信息登录的灵活性。与现有技术中采用APP客户端推荐的登录方式实现账户信息的登录方法相比，本发明通过采用登录风险识别模型来识别登录账户信息的风险级别，基于账户信息的风险级别灵活推荐用户使用不同的账户登录方式，从而对账户信息进行登录，在保证账户信息登录过程的安全性的同时，从而在账户信息的登录过程中保证用户账户的安全性，使得用户无需手动操作去修改登录方式，提高了账户信息登录过程的灵活性。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种账户信息的登录方法流程示意图；

图2示出了本发明实施例提供的另一种账户信息的登录方法流程示意图；

图3示出了本发明实施例提供的一种账户信息的登录装置的结构示意图；

图4示出了本发明实施例提供的另一种账户信息的登录装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种账户信息的登录方法，可以基于账户信息的风险级别灵活推荐用户使用不同的账户登录方式，提高账户信息登录过程的灵活性，如图1所示，该方法包括：

101、获取多组用户登录账户的特征数据。

其中，用户登录账户的特征数据包括但不限于用户登录时间、操作地点、设备类型、账号是否可交易、用户风险承受能力、身份信息、账户资产额度等特征数据，具体当用户首次登录应用服务的账户时，都会通过个人身份信息进行注册，例如，账户名称、电话号码、性别等，以及会对应用服务的操作进行设置，例如，支付扣款顺序、登录方式、登录状态设置等。

可以理解的是，为了保证账户安全，用户在注册账户信息的过程中，都会设置账户名称以及账户登录密码等账户信息，以便于用户后续通过设置的账户信息再次登录应用服务。针对不同的应用服务的特征，适用于登录账户的特征数据的风险级别有所不同，例如，针对涉及财务类的应用服务风在使用过程中风险较高，通常在登录和交易时会设置安全验证，如登录账户密码，交易密码等，针对涉及社交类的应用服务在使用过程中涉及交易认证时风险较高，通常在登录后设置长登录状态，交易时设置安全验证，针对购物类的应用服务在使用过程中涉及交易认证时风险较高，通常在登录时不会设置安全验证，交易时设置安全验证。所以，获取的特征数据中携带有适用于登录账户信息的风险级别标签。

102、将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型。

其中，登录风险识别模型记录有用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系，由于深度学习模型具有训练数据之间映射关系的作用，通过构建登录风险识别模型，对于不同用户登录账户的特征数据，通过登录风险识别模型训练得到的映射关系可以获取与用户登录账户的特征数据相对应的登录账户信息的风险级别。

由于特征数据中携带有适用于登录账户信息的风险级别标签，例如，可以将风险级别标签设置为三个等级，由高至低分别为等级A、等级B、等级C，当然还可以设置更多等级，具体地，对于涉及大额交易的特征数据设置等级A，对于个人信息修改的特征数据设置等级A，对于涉及中等金额交易的特征数据设置为等级B等等，还可以对每个等级设置特征数据的范围，这里不进行限定，从而根据适用于登录账户信息的风险等级对多组用户登录账户的特征数据进行训练。

对于本发明实施例，这里深度学习模型可以为卷积神经网络模型，具体可以通过反复训练多组用户登录账户的特征数据构建登录风险识别模型的网络结构，该网络结构可以对输入的数据进行训练，并给出正确的输入-输出关系，相当于用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系。

具体卷积神经网络模型的结构可以通过卷积层、全连接层、池化层以及分类层结构实现，这里的卷积层相当于卷积神经网络的隐含层，可以为多层结构，用于提取更深层次的用户登录账户在各个风险级别上的特征参数；在卷积神经网络模型中，为了减小参数，减低计算，常常在连续卷积层中间隔***池化层；这里的全连接层与卷积层相似，卷积层的神经元和上一层输出局部区域相连，当然为了减少输出特征向量过多，可以设置两个全连接层，在训练数据通过若干个卷积层训练后对训练输出的特征数据进行整合。

103、当接收到账户信息的登陆请求时，将所述登录请求对应用户登录账户的特征数据输入至所述登录风险识别模型，识别得到登录账户信息的风险级别。

其中，登录请求对应用户登录账户的特征数据为未标记风险级别的特征数据，通过登录风险识别模型可以识别出与特征数据相映射的登录账户信息的风险级别。

例如，设置登录账户信息的风险级别可以包括低级风险、中级风险和高级风险，如果输入至登录风险级别的特征数据涉及的交易金额大于10元，则识别得到登录账户信息的风险级别为中级风险。

104、根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录。

其中，登录账户信息的风险级别可以包括但不局限于人脸验证、身份验证、动态口令验证、验证码登录以及无密登录等。

对于本发明实施例，由于登录账户信息的风险级别说明账户信息在登录过程中存在的安全风险，对应登录账户信息的风险级别较低，说明账户信息安全风险较低，可以选取用户无密登录或其他无需验证的登录方式，对于登录账户的风险级别中等，说明账户信息还存在一定的安全风险，可以选取动态口令的验证的登录方式，对于登录账户的风险级别较高，说明账户信息安全风险较高，可以选取人脸验证或身份验证的登录方式。

本发明实施例提供一种账户信息的登录方法，通过收集多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型，当接收到账户信息的登录请求时，通过登录风险识别模型识别登录账户信息的风险级别，进而选取与登录账户的风险级别相匹配的账户信息的登录方式，对账户信息进行登录，提高账户信息登录的灵活性。与现有技术中采用APP客户端推荐的登录方式实现账户信息的登录方法相比，本发明通过采用登录风险识别模型来识别登录账户信息的风险级别，基于账户信息的风险级别灵活推荐用户使用不同的账户登录方式，从而对账户信息进行登录，在保证账户信息登录过程的安全性的同时，从而在账户信息的登录过程中保证用户账户的安全性，使得用户无需手动操作去修改登录方式，提高了账户信息登录过程的灵活性。

本发明实施例提供了另一种账户信息的登录方法，可以基于用户的风险级别提供不同的账户登录方式，保证在账户登录过程中用户账户信息的安全性，如图2所示，所述方法包括：

201、通过预设接口调用用户注册应用账户的身份数据以及用户登录账户信息的历史操作数据。

其中，用户注册账户的身份数据可以包括但不局限于用户名称、性别、联系电话、设备IP地址等可以表明用户身份的数据，用户登录账户的历史操作数据可以包括但不局限于用户交易数据、用户浏览数据等可以表明用户从操作习惯的数据。通过预设接口调用用户注册应用账户的身份数据可以获取用户个人身份信息数据，通过预设接口调用用户登录账户信息的历史操作数据可以获取用户操作习惯数据。

202、根据所述用户注册应用账户的个人信息以及用户登录账户信息的历史操作数据，提取用户登录账户的特征数据。

对于本发明实施例，用户注册应用账户后，为了便于操作，针对应用账户的特性都会设置用于登录应用账户的多个特征数据，该特征数据相当于用户注册应用账户的个人信息以及用户登录账户信息的历史操作数据，例如，针对涉及财务类的网络服务，通常在登录和交易时会设置安全验证，如登录账户密码，交易密码等，针对涉及社交类的网络服务，通常在登录后设置长登录状态，交易时设置安全验证，针对购物类的网络服务，通常在登录时不会设置安全验证，交易时设置安全验证，进一步从用户注册应用账户的个人信息以及用户登录账户信息的历史操作数据中可以提取用户登录账户的特征数据。

203、根据每组用户登录账户的特征数据所处的数据范围，对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签。

对于本发明实施例，由于用户登录账户的特征数据都会涉及不同的数据范围，例如，对于特征数据涉及用户的个人信息数据被更改，可能导致账户信息存在安全风险，而个人信息数据中涉及多个信息字段，并不是每个信息字段被更改都会使得账户信息存在安全风险，如果被更改的个人信息数据处于预先设置的危险信息字段范围内，才会导致账户信息存在安全风险，同理，对于特征数据涉及账户金额变更，都会导致账户信息存在安全风险，而变更金额数值的数据范围不同会存在不同程度的安全风险。所以，针对用户登录账户的特征数据所处的数据范围，可以对特征数据进行风险等级标记，获取特征数据对应登录账户信息的风险级别标签。

204、将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型。

具体在将多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练的过程中，可以将用户每次登录应用账户时的一组特征数据作为一个N维向量，每个特征数据表示为N维向量中的一个数值，并且通过对特征数据进行归一化处理后，使得每个特征数据的分布范围为[-1,1]，对于用户未设置的特征数据表示为数值0，从而得到标准格式的训练数据。

对于本发明实施例，深度学习模型可以为卷积神经网络，每层结构具有不同的输入输出参数以实现不同的功能，通过卷积神经网络对多组用户登录账户的特征数据进行训练，得到用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系，该映射关系相当于登录风险识别模型。

具体卷积神经网络包括多层结构，可以通过卷积神经网络模型的卷积层提取用户登录账户的特征数据的特征，得到用户登录账户在各个风险级别上的特征参数；通过卷积神经网络模型的池化层对用户登录账户在各个风险级别上的特征参数进行降维处理，得到降维处理后用户登录账户在各个风险级别上的特征参数；通过卷积神经网络模型的全连接层汇总降维处理后用户登录账户在各个风险级别上的特征参数，得到用户登录账户的特征数据在不同风险级别上的权重值；通过卷积神经网络模型的分类层根据用户登录账户的特征数据在不同风险级别上的权重值生成用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系，构建登录风险识别模型。

例如，卷积神经网络包括13个卷积层，3个全连接层，这里可以设置每个卷积层的卷积核个数分别为64、64、128、128、256、256、512、512、512、512、512、512，并且第2个卷积层与第3个卷积层之间、第4个卷积层与第5个卷积层之间、第6个卷积层与第7个卷积层之间、第8个卷积层与第9个卷积层之间、第10个卷积层与第11个卷积层之间、第13个卷积层与第1个全连接层之间，均连接1个池化层，并且上述13个卷积层和3个全连接层均用非线性激活函数进行处理，这里对上述卷积层、全连接层以及池化层的层数不进行限定，具体可以根据实际情况进行选取，同理，对于每层内所选择的激活函数也不进行限定。当输入多组用户登录账户的特征数据，输出用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系，相当于用户登录账户的特征数据在各个风险级别上的分类结果。

205、当接收到账户信息的登陆请求时，将所述登录请求对应用户登录账户的特征数据输入至所述登录风险识别模型，识别得到登录账户信息的风险级别。

对于本发明实施例，通过登录风险识别模型所识别得到的登录账户信息的风险级别只是根据登录请求对应用户登录账户的特征数据来初步判断用户登录时存在的风险情况，进一步提高用户登录账户信息的安全性。

206、根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录。

需要说明的是，为了便于用户进行账户信息的登录，在识别得到登录账户信息的风险级别后，可以实时了解当前账户登录时存在的风险，如果风险级别较高，则说明登录账户存在的安全风险较高，需要经过用户验证登录，例如，人脸验证、短信验证等，如果风险级别较低，则说明登录账户存在的安全风险较低，无需经过用户验证登录，例如，无密登录，进一步选取与登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录，从而保证账户信息登录过程中的安全性。

207、若所述多组用户登录账户的特征数据产生变化，当再次接收到账户信息的登录请求时，根据再次识别得到的登录账户信息的风险级别调整账户信息的登录方式，对账户信息进行登录。

可以理解的是，用户登录账户信息的特征数据是不断发生变化的，随着用户登录账户信息的特征数据发生变化，若多组用户登录账户的特征数据产生变化，通过构建风险识别模型再次识别得到的登录账户信息的风险级别也会发生改变，进一步根据再次识别得到的登录账户信息的风险级别调整账户信息的登录方式，对账户信息进行登录。

例如，用户登录账户的特征数据中的登录时间表明用户距离上次登录时间超过一周，识别得到的用户登录账户的风险级别提升，或者用户登录账户的特征数据中的个人信息被更改了，识别得到的登录账户的风险级别提升，进一步根据提升后风险级别对应的登录方式，对账户信息进行登录。

进一步地，作为图1所述方法的具体实现，本发明实施例提供了一种账户信息的登录装置，如图3所示，所述装置包括：获取单元31、构建单元32、识别单元33、登录单元34。

获取单元31，可以用于获取多组用户登录账户的特征数据，所述特征数据中携带有适用于登录账户信息的风险级别标签；

构建单元32，可以用于将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型，所述登录风险识别模型记录有用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系；

识别单元33，可以用于当接收到账户信息的登陆请求时，将所述登录请求对应用户登录账户的特征数据输入至所述登录风险识别模型，识别得到登录账户信息的风险级别；

登录单元34，可以用于根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录。

本发明提供的一种账户信息的登录装置，通过收集多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型，当接收到账户信息的登录请求时，通过登录风险识别模型识别登录账户信息的风险级别，进而选取与登录账户的风险级别相匹配的账户信息的登录方式，对账户信息进行登录，提高账户信息登录的灵活性。与现有技术中采用APP客户端推荐的登录方式实现账户信息的登录方法相比，本发明通过采用登录风险识别模型来识别登录账户信息的风险级别，基于账户信息的风险级别灵活推荐用户使用不同的账户登录方式，从而对账户信息进行登录，在保证账户信息登录过程的安全性的同时，从而在账户信息的登录过程中保证用户账户的安全性，使得用户无需手动操作去修改登录方式，提高了账户信息登录过程的灵活性。

作为图3中所示账户信息的登录装置的进一步说明，图4是根据本发明实施例另一种账户信息的登录装置的结构示意图，如图4所示，所述装置还包括：

标记单元35，可以用于在所述获取多组用户登录账户的特征数据之后，根据每组用户登录账户的特征数据所处的数据范围，对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签；

调整单元36，可以用于在所述根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录之后，若所述多组用户登录账户的特征数据产生变化，当再次接收到账户信息的登录请求时，根据再次识别得到的登录账户信息的风险级别调整账户信息的登录方式，对账户信息进行登录。

进一步地，所述标记单元35包括：

比对模块351，可以用于提取每组用户登录账户的特征信息所处的特征范围，将所述每组用户登录账户的特征信息所处的特征范围与预先设置的各个风险等级对应的特征范围进行比对，得到比对结果；

标记模块352，可以用于根据所述比对结果对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签。

进一步地，所述获取单元31包括：

调用模块311，可以用于通过预设接口调用用户注册应用账户的身份数据以及用户登录账户信息的历史操作数据；

提取模块312，可以用于根据所述用户注册应用账户的个人信息以及用户登录账户信息的历史操作数据，提取用户登录账户的特征数据。

进一步地，所述深度学习模型为卷积神经网络，所述卷积神经网络包括多层结构，所述构建单元32包括：

提取模块321，可以用于通过所述深度学习模型的卷积层提取所述用户登录账户的特征数据的特征，得到用户登录账户在各个风险级别上的特征参数；

降维模块322，可以用于通过所述深度学习模型的池化层对所述用户登录账户在各个风险级别上的特征参数进行降维处理，得到降维处理后用户登录账户在各个风险级别上的特征参数；

汇总模块323，可以用于通过所述深度学习模型的全连接层汇总所述降维处理后用户登录账户在各个风险级别上的特征参数，得到用户登录账户的特征数据在不同风险级别上的权重值；

构建模块324，可以用于通过所述深度学习模型的分类层根据所述用户登录账户的特征数据在不同风险级别上的权重值生成用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系，构建登录风险识别模型。

进一步地，所述登录账户的风险级别包括低级风险级别、中级风险级别和高级风险级别，所述登录单元34包括：

第一登录模块341，可以用于当所述登录账户的风险级别为低级风险级别，则选取与低级风险级别相匹配的常登验证或无密验证登录方式，对账户信息进行登录；

第二登录模块342，可以用于当所述登录账户的风险级别为中级风险级别，则选取与中级风险级别相匹配的动态口令认证登录方式，对账户信息进行登录；

第三登录模块343，可以用于当所述登录账户的风险级别为高级风险级别，则选取与高级风险级别相匹配的人脸验证登录方式，对账户信息进行登录。

需要说明的是，本实施例提供的一种账户信息的登录装置所涉及各功能单元的其他相应描述，可以参考图1和图2中的对应描述，在此不再赘述。

基于上述如图1和图2所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1和图2所示的账户信息的登录方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

基于上述如图1、图2所示的方法，以及图3、图4所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的账户信息的登录方法。

可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的账户信息的登录装置的实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作***、网络通信模块。操作***是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，与目前现有技术相比，本发明通过采用登录风险识别模型来识别登录账户信息的风险级别，基于账户信息的风险级别灵活推荐用户使用不同的账户登录方式，从而对账户信息进行登录，在保证账户信息登录过程的安全性的同时，从而在账户信息的登录过程中保证用户账户的安全性，使得用户无需手动操作去修改登录方式，提高了账户信息登录过程的灵活性。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种账户信息的登录方法，其特征在于，所述方法包括：

获取多组用户登录账户的特征数据，所述特征数据中携带有适用于登录账户信息的风险级别标签；

将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型，所述登录风险识别模型记录有用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系；

当接收到账户信息的登陆请求时，将所述登录请求对应用户登录账户的特征数据输入至所述登录风险识别模型，识别得到登录账户信息的风险级别；

根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录。

2.根据权利要求1所述的方法，其特征在于，所述深度学习模型为卷积神经网络，所述卷积神经网络包括多层结构，所述将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型包括：

通过所述深度学习模型的卷积层提取所述用户登录账户的特征数据的特征，得到用户登录账户在各个风险级别上的特征参数；

通过所述深度学习模型的池化层对所述用户登录账户在各个风险级别上的特征参数进行降维处理，得到降维处理后用户登录账户在各个风险级别上的特征参数；

通过所述深度学习模型的全连接层汇总所述降维处理后用户登录账户在各个风险级别上的特征参数，得到用户登录账户的特征数据在不同风险级别上的权重值；

通过所述深度学习模型的分类层根据所述用户登录账户的特征数据在不同风险级别上的权重值生成用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系，构建登录风险识别模型。

3.根据权利要求1所述的方法，其特征在于，所述获取多组用户登录账户的特征数据包括：

通过预设接口调用用户注册应用账户的身份数据以及用户登录账户信息的历史操作数据；

根据所述用户注册应用账户的个人信息以及用户登录账户信息的历史操作数据，提取用户登录账户的特征数据。

4.根据权利要求1所述的方法，其特征在于，在所述获取多组用户登录账户的特征数据之后，所述方法还包括：

根据每组用户登录账户的特征数据所处的数据范围，对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签。

5.根据权利要求4所述的方法，其特征在于，所述根据每组用户登录账户的特征数据所处的数据范围，对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签包括：

提取每组用户登录账户的特征信息所处的特征范围，将所述每组用户登录账户的特征信息所处的特征范围与预先设置的各个风险等级对应的特征范围进行比对，得到比对结果；

根据所述比对结果对每组用户登录账户的特征数据进行风险等级标记，获取每组特征数据对应登录账户信息的风险级别标签。

6.根据权利要求1所述的方法，其特征在于，所述登录账户的风险级别包括低级风险级别、中级风险级别和高级风险级别，所述根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录包括：

当所述登录账户的风险级别为低级风险级别，则选取与低级风险级别相匹配的常登验证或无密验证登录方式，对账户信息进行登录；

当所述登录账户的风险级别为中级风险级别，则选取与中级风险级别相匹配的动态口令认证登录方式，对账户信息进行登录；

当所述登录账户的风险级别为高级风险级别，则选取与高级风险级别相匹配的人脸验证登录方式，对账户信息进行登录。

7.根据权利1-6中任一项所述的方法，其特征在于，在所述根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录之后，所述方法还包括：

若所述多组用户登录账户的特征数据产生变化，当再次接收到账户信息的登录请求时，根据再次识别得到的登录账户信息的风险级别调整账户信息的登录方式，对账户信息进行登录。

8.一种账户信息的登录装置，其特征在于，所述装置包括：

获取单元，用于获取多组用户登录账户的特征数据，所述特征数据中携带有适用于登录账户信息的风险级别标签；

构建单元，用于将所述多组用户登录账户的特征数据作为训练数据输入至深度学习模型中进行训练，构建登录风险识别模型，所述登录风险识别模型记录有用户登录账户的特征数据与登录账户信息的风险级别之间的映射关系；

识别单元，用于当接收到账户信息的登陆请求时，将所述登录请求对应用户登录账户的特征数据输入至所述登录风险识别模型，识别得到登录账户信息的风险级别；

登录单元，用于根据所述登录账户信息的风险级别，选取与所述登录账户信息的风险级别相匹配的账户信息的登录方式，对账户信息进行登录。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。